基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究

数控机床故障具有隐蔽性和复杂性的特点,为了快速准确地识别数控机床发生的故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的数控机床故障诊断方法。为了改善粒子群算法局部搜索能力,在标准粒子群算法的基础上,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络结构参数,从而建立起改进PSO优化模糊神经网络的数控机床主轴伺服系统故障诊断模型。实验和仿真结果表明:与RBF神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

粒子群优化支持向量机的BOF用氧量预报研究

针对BOF用氧量预报模型精度不高的问题,提出利用粒子群优化支持向量机的用氧量预报建模方法,以此来优化用氧量,进而提高钢液的质量。结果表明,与RBF、BP及SVM相比,粒子群优化支持向量机的BOF吹氧量预报模型精度高、推广能力强。     

基于PSO优化SVM的转炉炼钢用氧量预测研究

用氧量是影响钢水质量的主要因素之一,为提高转炉炼钢用氧量模型的预测精度,提出基于PSO优化SVM的吹氧量建模预测方法。针对SVM结构参数依据经验选取,致使预测模型的泛化能力差,在标准PSO算法的基础上,优化SVM的惩罚系数、不敏感损失系数和高斯核宽度系数3个结构参数,并建立转炉炼钢用氧量预测模型;在此基础上利用UCI数据库中的Auto-MPG标准数据,验证了方法的有效性;最后以某钢厂100 t转炉的实际生产数据建立吹氧量预测模型,结果表明,与标准BP、RBF及SVM相比,基于PSO优化SVM的转炉炼钢吹氧量预测模型精度高、泛化能力强。     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。